獨立分量分析（independent component analysis，ICA）是20世紀90年代發展起來的一種新的信號處理技術。基本的ICA是指從多個源信號的線性混合信號中分離出源信號的技術。除了已知源信號是統計獨立外，無其他先驗知識，ICA是伴隨著盲信源問題而發展起來的，故又稱盲分離。
基本介紹
- 中文名：獨立分量分析
- 外文名：independent component analysis
- 簡稱：ICA
- 發展時期：20世紀90年代
- 又稱：盲分離
研究發展,套用領域,
研究發展
在複雜的背景環境中所接收的信號往往是由不同信源產生的多路信號的混合信號。例如，幾個麥克風同時收到多個說話者語音信號；在聲納、陣列及通信信號處理中，由於耦合使數據相互混疊；多感測器檢測的生物信號中，得到的也是多個未知源信號的混疊。ICA方法是基於信源之間的相互統計獨立性。與傳統的濾波方法和累加平均方法相比，ICA在消除噪聲的同時，對其它信號的細節幾乎沒有破壞，且去噪性能也往往要比傳統的濾波方法好很多。而且，與基於特徵分析，如奇異值分解（SVD）、主成分分析（PCA）等傳統信號分離方法相比，ICA是基於高階統計特性的分析方法。在很多套用中，對高階統計特性的分析更符合實際。
當有N個信號源時，通常假設觀察信號也有N個（例如N個邁克或者錄音機）。該假設意味著混合矩陣是個方陣，即J = D，其中D是輸入數據的維數，J是系統模型的維數。對於J < D和J > D的情況，學術界也分別有不同研究。
獨立成分分析並不能完全恢覆信號源的具體數值，也不能解出信號源的正負符號、信號的級數或者信號的數值範圍。
套用領域
獨立分量分析在通信、陣列信號處理、生物醫學信號處理、語音信號處理、信號分析及過程控制的圖像去噪和特徵提取等領域有著廣泛的套用，還可以用於數據挖掘。
